人工智能在金融行業有許多能產生真實價值的應用場景，其中在二級市場投資交易上，基于數據算法的量化交易也已經有不少成功的操作案例。投資界對數據分析的好感度不斷增強，在一級市場創業投資領域，甚至是天使投資也有了一些試圖通過對數據的分析來評估項目投資價值的嘗試。

悖論1：大數據算法善于尋找大概率事件，而超高回報必定是小概率的

所謂風險投資，投資界的金字塔，尤其天使投資，可謂是投資領域風險最高的門類。資本之所以愿意承擔極高的風險，是因為此類資本所追逐的是超高回報。風險度越高就要有相應的高收益可期待，這是資本的本性。最保守的投資，讓所有投資者幾乎都能獲得最保本的收益。

而高風險的投資門類中只有少數投資者能獲得超高收益。于是乎，我們可以理解，創業風險投資必然尋找的是小概率事件，百里挑一、萬里挑一的所謂獨角獸。而基于大數據的算法所計算的是普遍性，也就是它的能力在于尋找大概率事件。兩者的底層意圖幾乎可以說是背道而馳。

打個比方。A成功發生的可能性是80%，B發生的可能性是90%，B比A的可能性高了 12.5%，你比較容易決定把賭注下給B。這是在進行大概率事件的比較。

而如果A、B都是小概率事件，情況將變得復雜許多。例如A發生的可能性是 0.1%，B的可能性是 0.2%，看上去B的成功率已是A的兩倍，然而同時這一概率也意味著A不發生的可能性是 99.9%，B則有 99.8% 的可能性不會發生，它們不發生的可能性幾乎相等，且都概率極高，依據這樣的數據必然仍舊舉棋不定。

事實上，投 1000次成功1次和投 500次成功1次的意義是一樣的，因為大家可能都不會有超過 500次的投資機會。

悖論2：算法需要數據來支持，而創投領域的數據是膚淺的

當下所謂基于大數據通過機器學習技術而不斷精確化的算法，其基礎在于對數據的利用，而創投領域極缺數據。創業領域以“創”為關鍵詞，從無到有，做前人沒有做過的事，走前人沒有走過的路。既無歷史，何來數據？

且創業創新往往在于挖掘前所未有的機會，尋找那些少人關注且尚未被滿足的市場。一項前所未有的技術、產品或商業模式，可以從邏輯上去評估其可行性，卻無法找到足量的對口數據去證明。

也因此真正以創新為文化的組織反對用績效指標去考核創新部門，從過去總結獲得的既定標準和框架是無法容納大航海式的探索的。

創投領域那些容易大規模獲得的數據往往十分膚淺而表象，很難成為投資決策的依據。近幾年，出現了一些收集一級市場項目信息及投融數據，并加以分析的網站數據庫。有些為了吸引關注也曾打出讓數據算法來指導創業投資的概念。然而目前這些網站的信息維度往往十分單薄，這些維度上的數據往往并不是影響創業成敗的核心。

即便是這些數據，其可靠性也往往無法考證，更沒有像二級市場那樣經過專業部門審核的企業運營數據。

它們作為黃頁性查詢功能的作用遠多于作為分析工具的作用；其數據反饋整體概貌的意義遠大于評估個體價值的意義；它們有監測變化現象的效用但無法真實反饋動因。注意，這里不是說這類數據庫沒有意義，而是說它們存在的主要價值并不在于用數據分析來評估項目。

例如關于類似熱議度的指標，因媒介信息曝光的數據較易獲取，據此比較熱議度、媒體曝光度等指標也比較容易實現。

然而，某些項目熱議度高或許是因為急于融資而必須大聲兜售，在內容營銷上投入了更多成本，這些內容影響的并非其產品的目標用戶而是融資的目標資本方；而那些熱議度低甚至少人知曉的項目也可能已經在悄悄賺錢，或正在修煉著秘而不宣的神功。最終這些數據反饋的指標并不能讓投資人少做一些調查，反而還有可能會蒙蔽你。

悖論3：風投決策依據的善變無法實現算法的復用意圖

與相對成熟的行業不同，創業創新領域缺乏恒定的評估指標，且許多影響因素可能是隱性的。創業投資的周期較長，而內外部環境的變化卻要比傳統領域快許多。因此其中總要歷經千回百轉。

一個種子階段很有希望的項目在A輪后很有可能因為內外部環境已變而瞬間窮途末路。

免費模式可以是高效的也可以是無效的，可能在兩年前有效在兩年后無效；第一年就把收支打平的可以是好項目也可能沒有更大的想象空間；創始人可以因破釜沉舟而發奮崛起，也可能因沒有后顧之憂而更易耐得住寂寞和誘惑；在一年前可能還未出現的所謂風口，在一年后也可能已關閉。

同樣的信息樂觀的投資人認為利好，悲觀的認為利空，今天認為是利好，而明年可能轉向。甚至資本方自身也是重要變因，也并不總是起到正面的作用，錯配的資本也可能令一個優秀的項目走入絕境。

即便不基于數據而基于投資邏輯，創業風險投資也很難有包贏的套路。即便是頂級的天使投資人之間也有許多意見相左的時候。在某些情況下，投資人也可能只認定某一個道理而義無反顧的支持下去。

在每個投資人心里，什么因素更重要各有自己的算法，且會根據不斷的信息輸入與思考持續進行變因增減和權重調整，而這種調整發生的頻率節奏相當高。

也就說每個項目可能都有其自身的特殊性，即便你有一套算法，也很難一層不變的套用到多個項目上，最終往往仍需要一事一議，或因為某種特殊的因素，進行“破格入選”。這意味著既定算法的復用性將相當低，也因此無法真正體現作為機器算法的那種“一本萬利”的效用。

多一些獨立思考，少一些投機跟風

試圖用一個既定算法模型去評估創業項目的投資價值顯得過于推卸責任。在創業風險投資領域尤其稀缺有獨立思考能力的投資者。如果這一領域做決策能有賴于算法，那意味著許多投資者都能獲得超高收益，這顯然不符合能量守恒。

人們不斷總結過往的經驗，試圖預知命運，然而套用一句話，“所有的幸福都是相似的，而不幸卻各有各的不同”。在這個不幸案例遠遠多于幸福案例的的領域，則更多的是“各有各的不同”。

更多行業資訊，更新鮮的技術動態，盡在。